Normative boundaries of AI in scientific work: Evidence from PhD researchers
Basándose en una encuesta realizada a 3.785 investigadores de doctorado internacionales, este estudio identifica cuatro perfiles actitudinales distintos con respecto a la IA en el trabajo científico, revelando que los niveles de comodidad de los investigadores están definidos por límites específicos de la tarea —aceptando la IA para tareas de literatura mientras se resiste su uso en contribuciones intelectuales centrales como la escritura y el diseño experimental— en lugar de un simple binario de aceptación o rechazo.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
La ciencia siempre ha sido un esfuerzo humano, un proceso en el que los investigadores plantean preguntas, recopilan evidencia y construyen nuevos conocimientos a través de sus propias mentes y manos. Pero una nueva herramienta ha entrado en el laboratorio y la biblioteca: la inteligencia artificial. Estos sistemas ahora pueden escribir texto, analizar números y buscar a través de vastas cantidades de información más rápido de lo que cualquier persona podría. Este cambio plantea una pregunta fundamental para el futuro del descubrimiento: si una máquina puede hacer el trabajo, ¿quién está pensando? La preocupación no es solo si el trabajo se realiza, sino cómo cambia la naturaleza de la investigación cuando humanos y máquinas comparten la carga. Si una computadora escribe un artículo o diseza un experimento, ¿el investigador humano todavía merece el crédito? ¿Sigue ocurriendo el proceso de aprendizaje que convierte a un estudiante en un experto si la máquina realiza el trabajo pesado? Estas no son solo cuestiones técnicas sobre software; son preguntas sobre las reglas y valores que rigen cómo se hace la ciencia.
Para comprender cómo la próxima generación de científicos está navegando este nuevo panorama, los investigadores Francesco Angelini y Johan Lyrvall miraron directamente a las personas que darán forma al futuro de la investigación: los estudiantes de doctorado. Analizaron datos de una encuesta masiva de 3,785 estudiantes de doctorado en ciencias, tecnología, ingeniería, medicina y campos de la salud de todo el mundo. En lugar de hacer una simple pregunta de sí o no sobre si a los estudiantes les gusta usar la IA, los investigadores les pidieron que calificaran qué tan cómodos se sentían usando estas herramientas para cinco partes específicas de su trabajo diario. Las tareas variaban desde rastrear y resumir la literatura científica hasta escribir artículos de investigación, recolectar y analizar datos, y diseñar experimentos. Al observar cómo se sentían los estudiantes respecto a cada tarea específica, los investigadores pudieron ver si había un patrón en su pensamiento. Encontraron que los estudiantes no se dividían simplemente en dos bandos de "amantes" y "detractores" de la IA. En cambio, sus actitudes formaron cuatro grupos distintos, revelando un mapa complejo de dónde estaban dispuestos a dejar que las máquinas ayudaran y dónde trazaban la línea.
El grupo más grande, que representaba casi la mitad de todos los estudiantes encuestados, mostró un patrón claro que los investigadores llamaron "división del trabajo". Estos estudiantes se sentían bastante cómodos usando la IA para tareas como encontrar y resumir artículos científicos existentes. Veían estas actividades como tareas de apoyo, donde una máquina podía clasificar la información de manera eficiente. Sin embargo, los mismos estudiantes se sentían mucho menos cómodos usando la IA para las tareas intelectuales centrales de la investigación: escribir el artículo en sí, analizar los datos o diseñar los experimentos. Para este grupo, el límite era claro. Estaban dispuestos a dejar que la máquina se encargara del trabajo de fondo, pero querían mantener las tareas que requieren un pensamiento profundo, creatividad y responsabilidad final firmemente en manos humanas. Esto sugiere que, para muchos futuros científicos, el valor de la IA reside en su capacidad para asistir en la gestión de la información, no en su capacidad para reemplazar la mente humana en el acto del descubrimiento.
Otros grupos del estudio mantenían puntos de vista diferentes. Aproximadamente un tercio de los estudiantes se sentían incómodos con el uso de la IA para casi cualquier tarea de investigación, una postura que los investigadores calificaron como "status quo". Tendían a sentirse inquietos con la tecnología en general, aunque su incomodidad era más fuerte cuando se trataba de la escritura y el análisis de datos. Un grupo más pequeño, alrededor del 16 por ciento, era lo opuesto; se sentían ampliamente cómodos usando la IA para todo, viéndola como una herramienta de propósito general que podía ayudar en cualquier parte del proceso de investigación. Finalmente, un grupo pequeño pero notable del 7 por ciento estaba "indeciso". Estos estudiantes elegían frecuentemente "no sé" cuando se les preguntaba sobre sus niveles de comodidad, lo que sugiere que no estaban seguros sobre la tecnología, no la habían usado lo suficiente como para formar una opinión, o aún estaban determinando dónde estaban las reglas. Incluso entre aquellos que no estaban seguros, era más probable que expresaran un sentimiento positivo que uno negativo.
El estudio también analizó si factores como el campo de estudio del estudiante, su año en el programa o la frecuencia con la que usaba la IA cambiaban estas actitudes. Los resultados mostraron que los estudiantes en campos STEM eran ligeramente más propensos a estar en el grupo escéptico del "status quo" en comparación con los de ciencias médicas y de la salud. Sin embargo, los patrones generales se mantuvieron sin importar si el estudiante estaba en su primer año o en su último año, o si estudiaba a tiempo completo. Esto sugiere que la forma en que los estudiantes ven el papel de la IA no es simplemente una cuestión de cuánto tiempo han tenido acceso a las herramientas, sino más bien un reflejo más profundo de cómo ven la naturaleza de su trabajo. El hecho de que el grupo de la "división del labor" sea el más grande indica que la norma emergente más común no es rechazar la IA por completo, ni aceptarla ciegamente, sino clasificar cuidadosamente qué tareas pertenecen a la máquina y cuáles deben permanecer humanas.
Estos hallazgos tienen implicaciones importantes para la forma en que se enseña y evalúa la ciencia. Los investigadores sugieren que la forma en que pensamos sobre la IA en la ciencia debe ir más allá de reglas simples que prohíban o permitan su uso. En su lugar, las instituciones y las revistas podrían necesitar adoptar un enfoque más matizado que reconozca la diferencia entre usar la IA para encontrar una referencia y usarla para redactar una conclusión. Si un estudiante usa la IA para resumir cien artículos, eso es un tipo de asistencia diferente a usarla para generar el argumento central de una tesis. El estudio implica que la formación científica futura deberá centrarse en ayudar a los estudiantes a comprender estos límites. No se trata solo de aprender a usar la herramienta, sino de aprender qué partes del proceso de investigación son esenciales para desarrollar su propia pericia. Si un estudiante deja que una máquina haga la redacción o el análisis de datos, podría perderse la oportunidad de desarrollar las habilidades de pensamiento crítico que surgen de realizar esas tareas por sí mismo.
En última instancia, esta investigación captura un momento de transición. Las actitudes de estos estudiantes de doctorado no son fijas; es probable que evolucionen a medida que la tecnología mejore y que la comunidad científica establezca nuevas normas. Hoy, la visión más común es una selectiva, donde la IA es bienvenida como una ayuda para la información pero resistida como un sustituto del juicio. Esta "división del trabajo" puede convertirse en la forma estándar en que se practica la ciencia, con las máquinas manejando el volumen de información y los humanos enfocándose en la síntesis y la creación de nuevo conocimiento. A medida que estos estudiantes se gradúen y se conviertan en los líderes, editores y revisores del mañana, los límites que están trazando ahora ayudarán a definir qué constituye un trabajo científico legítimo en la era de la inteligencia artificial. El artículo no pretende haber resuelto el debate, sino que proporciona una imagen clara de dónde se está trazando la línea actualmente por parte de las mismas personas que la cruzarán en los años venideros.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.